德州大学斥资 2500 万美元成立医疗人工智能治理项目，建立全系统清单与监督机制
University of Texas Launches $25m Healthcare AI Governance Initiative
德州大学系统推出名为 UT REAL Health AI 的 2500 万美元项目，对旗下八家医疗机构的人工智能应用进行清点与治理，已识别 571 个正在运行或评估中的用例。
详细解读
德州大学的 UT REAL Health AI 项目先从清点入手，统计出其八家附属医疗机构共有 571 个 AI 用例，覆盖已上线与评估中系统。项目把这份清单作为治理基础，配套措施包括对模型漂移与偏差的持续监测、对供应商数据协议的审计，以及建立一条规则：若一家医院发现缺陷，则触发对其他医院的复核。这种做法旨在把零散的、本地化的发现转化为系统性监督能力。
作者把德州经验与英国国家医疗服务体系（NHS）当前情形并置。文中指出，NHS 各信托正以不同速度部署环境录入（ambient voice）记录病历、试点分诊支持和采购影像算法，但这些部署往往通过国家框架、地方试点或由供应商主导的试验实现，能见度较低。临床安全标准把责任分到制造商和部署机构，每个信托通常需自拟安全说明，很多情况下以同一供应商提供的文件为起点，缺乏跨机构的一致性审查。
文章进一步强调现有信息传递途径的不足。如果一家信托发现某个自动记录工具会漏改药物信息，其他使用相同产品的信托往往只能依赖供应商的善意、临床信息官之间的非正式网络或基于单一事件的事故上报系统来获悉风险。而算法漂移是缓慢、统计性的，未必显现为可上报的事件，因此更需要持续且跨机构的监测机制。
同时，作者也提出反向风险，即共享监测管道和集中数据仓库可能会把同一缺陷迅速传播到所有站点，并增加数据被攻击的诱因，文中以 2024 年对一家病理供应商的勒索软件攻击为例，说明单一供应商依赖能引发区域性临床中断。德州项目尚未公开其病人数据访问权限和治理领导安排，文章以此提醒透明度通常滞后于技术部署。
在可行性与政策建议层面，文章给出了具体结论：信托董事会应能说明本机构运行多少 AI 工具、谁批准每项工具以及触发撤换的条件；政策制定者应考虑由监管机构或其继任机构建立全国性已部署临床 AI 登记册，并赋予供应商在其所有 NHS 客户中披露性能缺陷的责任，最直接的落地方式是把此类披露义务写入采购框架与合同。供应商可能反对，但那些性能可靠的供应商有望从更可信的保证中受益，推动试点转向大规模推广。文章最后指出，若出现首个广为报道的临床 AI 失败，系统能否迅速回答同一工具还运行在哪些地点，将成为判断体系应对能力的关键。